Печалби:
- Способност за разграничаване на методите за прогнозиране на търсенето (пълзяща средна, експоненциално изглаждане, сезонност)
- Възможност за настройване на сценарии за прогнозиране с AI и оценка на точността с показатели като MAPE/MAE
- Възможност за кръстосана проверка на прогнозния резултат с бизнес контекст и промоционални/сезонни ефекти
Прогнозирането на търсенето е основата, върху която се основава планирането на производството, управлението на запасите и цялата верига на доставки. Грешното прогнозиране е скъпо и в двете посоки: надценяването създава разходи за инвентар и загуба, подценяването води до загуба на продажби и неудовлетвореност на клиентите. Изкуственият интелект помага на много места в процеса на прогнозиране, от избора на метод до интерпретирането на исторически данни и генерирането на сценарии; Но гледането на прогнозата като на "вълшебна кристална топка" е най-голямата грешка. В тази част ще разгледаме класическите методи за прогнозиране, как да ги изградим правилно с AI и как да измерим точността.
Кратка карта на методите за прогнозиране
Не всяка поредица от искания се държи еднакво; Някои са плоски, някои имат тенденции, трети са сезонни. Необходимо е да изберете метода според серията.
Метод
Кога е подходящо?
внимание
Naive (последна стойност)
За сравнение (бенчмарк)
Не следва тенденцията/сезона
пълзяща средна
Статични, шумни серии
Реагира късно на тенденцията
Експоненциално изглаждане (SES)
Стационарни серии, акцент върху близките данни
Добре, ако няма тенденция
Холт (двойна експоненция)
Модерна серия
Не хваща сезона
Холт-Уинтърс
Тенденция + сезонност
Изисква достатъчно исторически данни
Регресия/ML
Многопроменлива, ефективна промоция
Риск от претоварване
Съвет: Винаги започвайте с „наивно“ предположение. Ако вашият сложен модел не е по-добър от наивното предположение, не си струва да носите сложността. Naive е безплатен бенчмарк за измерване на точността.
Как измерваме точността? (Показатели)
Точността на прогнозата не може да бъде подобрена, без да бъде измерена. Най-често срещаните показатели:
- MAE (Средна абсолютна грешка): Средната стойност на абсолютната стойност на грешките. Единицата е същата като единицата за търсене.
- RMSE (Средноквадратична грешка): Наказва повече по-големите грешки.
- MAPE (Средна абсолютна процентна грешка): В проценти; Добър за сравнение между артикулите, но е изкривен, когато търсенето е близо до нула.
- Отклонение: Средна грешка; Показва дали постоянно надценявате/подценявате.
Малък примерен акаунт. Нека действителното търсене е [100, 120, 90], прогнозата е [110, 115, 100]:
Грешки (действителни - прогноза): -10, +5, -10 Абсолютни грешки: 10, 5, 10 → MAE = 25 / 3 ≈ 8,33 Процентни грешки: 10/100, 5/120, 10/90 = 10%, 4,17%, 11,11% MAPE = (10 + 4,17 + 11.11) / 3 ≈ 8,43% Отклонение = (-10 + 5 - 10) / 3 = -5 → надценяване средно (прогноза > действително)
Отрицателно отклонение (истинска минус оценка) показва, че оценката е постоянно надценена; Това означава инфлация на запасите. Такива грешки в посоката могат да бъдат скрити в MAPE, така че те се разглеждат заедно.
Изграждане на процеса на прогнозиране с AI
Можете да използвате AI най-ефективно на две места: (1) за разглеждане на данни и предлагане на подходящ метод и действия, които да бъдат предприети, и (2) за генериране на предсказуем код. За предложение за метод:
Роля: Вие сте индустриален инженер с опит в прогнозирането на търсенето. Задача: Разгледайте серията месечни продажби по-долу и препоръчайте подходящия метод за прогнозиране. Преценете дали има тенденция и сезонност, напишете своята обосновка. Данни (месечни, последните 24 месеца): {{ values }}Допълнителна информация: Има промоция през декември, търсенето намалява през летните месеци. Резултатът, който искам: 1. Коментирайте характера на поредицата (стабилна/набираща тенденция/сезонна).2. 2 препоръчителни метода и защо.3. Какъв показател за точност трябва да проследя?4. Клопки, за които трябва да внимавам (отклонение, промоционален ефект). Правило: Не обещавайте абсолютна точност, без да видите данните.
Слаба подкана / Силна подкана
Слаба подкана:
Колко ще продам следващия месец?
Това не съдържа нито данни, нито контекст; AI или го отхвърля, или връща напълно измислен номер. Такъв резултат е опасен, защото изглежда надежден.
Мощна подкана:
Прогнозирайте следващите 3 месеца, като използвате логиката на Холт-Уинтърс с тази 24-месечна серия. Продължителността на сезона е 12. Първо напишете допусканията на метода, след това дайте прогнозата, след това изчислете MAPE чрез тестване за последните 6 месеца. Маркирайте промоционалните месеци отделно. Данни: {{ ... }}
Втората подкана пита както за прогнозата, така и за колко увереност да се доверите на тази прогноза (тестиране назад). Това превръща прогнозата от „оракул“ в измерим инструмент.
Ретро тестване: Мярка за доверие в прогнозата
Истинският тест за прогнозиране е в миналото, а не в бъдещето. Разделяте данните, които имате, на две: изграждане на модел (влак) и тестване. Изграждате модела с първото парче, прогнозирате следващия период и го сравнявате с реалността. Тази логика на „задържане“ разкрива дали даден модел действително работи или не.
Настройте прост план за тестване за следната серия: отделете последните 6 месеца като тестване, обучете 3 различни метода (наивен, SES, Holt-Winters) с останалите данни, изчислете MAPE и отклонение за всеки по време на периода на тестване и направете таблица за сравнение. Напишете печелившия метод и обосновка.
Внимавайте: AI понякога може да "предскаже" резултатите от бектеста и да ви представи готова диаграма; тоест той може да измисля числа, които изглеждат разумни, без всъщност да ги изчислява. Не забравяйте да възпроизведете числените резултати с код (Python/Excel). Един езиков модел не изпълнява надеждно дълга аритметика.
Мини калъф: излишък от сезонен продукт
Компания за дистрибуция на храни се оплаква, че всяка година през зимата има твърде големи запаси от сезонен продукт като сладолед. Индустриалният инженер Елиф дава месечни данни за 3 години на AI и го моли да оцени характера на поредицата. AI открива силна сезонност (пик през лятото) и лека годишна тенденция на растеж, предполага Холт-Уинтърс. Елиф генерира прогнозата в Python и я тества обратно: MAPE е 14%, но пристрастието е значително отрицателно — моделът последователно надхвърля прогнозите. Когато проучва защо, той открива, че е сбъркал период на кампания в историческите данни като „нормален“ и е дал на модела твърде висока база. Когато премахнем ефекта на кампанията и възстановим модела, отклонението намалява и зимният запас намалява значително. Урок: AI предложи метода правилно, но беше човешка работа да изчисти данните и да интерпретира отклонението.
Често срещани грешки
- Без проследяване на показатели: Оценява и никога не измерва точността. Прогнозата без измерване не може да бъде подобрена.
- Просто гледам MAPE: Пренебрегване на пристрастията. Насочената (систематична) грешка тихо раздува инвентара.
- Грешка в числата, съставени от AI за изчисления: Невалидиране на бектест и метрични стойности с код.
- Неизчистване на отклонението/промоция: Възприемане на еднократна кампания като нормално търсене и преподаване на това на модела.
- Overfit: Когато сложен модел се вписва перфектно в миналото, но се представя зле в бъдещето. Запазете простия модел като еталон.
В обобщение
- Изберете метода за прогнозиране според характера на серията (стационарна, тенденция, сезонна); Винаги започвайте, като се сравнявате с наивник.
- Измервайте точността с MAE/RMSE/MAPE, но също така наблюдавайте отклонението: грешката в посоката е най-скъпата.
- Използвайте AI за препоръчване на метод и генериране на код; Настройте прогнозата като измерим инструмент, а не като „пророчество“.
- Backtesting е истинският тест за това доколко може да бъде уверен един модел; Не забравяйте да проверите числените резултати с код.
- Работата на човека е да изчисти данните (отклонение, повишение) и да интерпретира резултата; AI пропуска тези стъпки.
Задача за приложение
Имайте най-малко 18-24 периоди на търсене (реална или реалистична фантастика). Първо, дайте на AI серията и го помолете да интерпретира нейния характер (тенденция/сезонност) и да предложи два метода. След това използвайте мощната подкана „backtest plan“, за да запазите последните 6 периода като тестове и да сравните поне два метода. Критична стъпка: Преизчислете отново стойностите на MAPE и отклонението, върнати от AI сами с Excel или Python и ги сравнете с изхода на AI. Ако намерите число, което не съвпада, запишете го. И накрая, интерпретирайте знака на отклонението: вашият модел надценява или подценява и какво прави това с вашия инвентар?